Smart Maintenance 2019

Abstract

Does Prognostics Make Maintenance Smarter?

Dr. Kai Goebel, Palo Alto Research Center, Principal Scientist Adjunct Professor at Lulea Technical University.

Much technical development in the domain of Prognostics and Health Management (PHM) has been dedicated to the advancement of prognostics, i.e., estimating remaining equipment life. Assuming that one has a reasonably accurate remaining life estimate, the question that then needs to be asked then is: What happens next? The answer may not always be “perform maintenance now”. In fact, the answer is a bit more complicated and depends on a number of different factors. It is argued here that a methodical way to trade off different objectives should be pursued to maximize the operator's benefit. This talk will provide a perspective for some of the elements that one may need to consider and one possible path towards realizing post-prognostic decision making.

Abstract

Are we Ready for Inspection and Maintenance with Autonomous Drones?

Prof. Dr. Davide Scaramuzza, University of Zürich .

All inspection robots are today either teleoperated by expert pilots or controlled via GPS. Autonomous operation in GPS-denied environments is still out of reach. This talk will survey current technologies and viable solutions in the short medium term.

Abstract

Gleisunterhalt im Wandel

Christian Florin, Stv. Direktor und Leiter Infrastruktur, Rhätische Bahn

Die RhB betreibt ein 384 km langes Streckennetz in einer spektakulären, aber auch anspruchsvollen Gebirgslandschaft. Die Einwirkungen aus Natur und Umwelt sowie die Beanspruchung der verschiedenartigen Fahrzeuge auf das Gleis haben sich in den letzten Jahren stark verändert.

Dies führt zu einem neuen Gleichgewicht zwischen Rollmaterial und Infrastruktur. Durch diese Belastungszunahme und das immer dichter werdende Zugsangebot sind Einsätze für den Gleisunterhalt immer aufwändiger in der Planung und auch Umsetzung geworden. Immer wichtiger wird es deshalb, rechtzeitig über die richtigen Messdaten zu verfügen und sie auch richtig zu interpretieren. Nur so ist es möglich, eine allfällige Störung frühzeitig zu erkennen und damit ein baulicher Eingriff noch vor deren Eintreten vornehmen zu können. Die RhB ist hier noch am Anfang ihrer Reise und möchte in den nächsten Jahren von den digitalen Möglichkeiten profitieren.

Abstract

BIM-Implementierung bei der DB - digitale Methode zum Planen, Bauen und Instandhalten

Heinz Ehrbar, Leiter Competence Center Großprojekte 4.0, Execute in Residence ETH Zürich.

Die Deutsche Bahn beschäftigt sich seit vielen Jahren mit der Einführung von Building Information Modelling (BIM). Begonnen hat die BIM-Einführung aus dem Gedanken heraus, das Massengeschäft an hochbaunahen Projekten, z.B. Projekte für Haltepunkte effizienter - halbautomatisiert - zu planen. Die modellbasierte Ausführung und die modellbasierte Bewirtschaftung stand bei diesen kleinen Projekten nicht im Vordergrund.

In der Zeit von 2012 bis 2015 erarbeitete die Reformkommission im Auftrag des Verkehrsministeriums Vorschläge zu besseren Planung und Ausführung grosser Infrastrukturprojekte. Die Einführung von BIM, auch bei Grossprojekten, wurde dringend empfohlen. Der Stufenplan des Bundesaus dem Herbst 2015 formulierte per Ende 2020 einen erstes Zielniveau für das digitale Planen - nicht aber für das modellbasierte Ausführen und Betreiben.

Die DB erkannte rasch, dass die BIM-Einführung für das System Eisenbahn nur im internationalen Verbund erfolgreich sein kann und dass die bevorstehende Digitalisierung eine grosse Chance zur Reduktion der historisch gewachsenen Komplexität des Systems Eisenbahn bietet. Damit sollen insbesondere für den Betrieb und die Instandhaltung wesentliche Effizienzgewinne erzielt werden können. Aufgrund derzeit noch fehlender internationaler Erfahrungen kann der Nachweis der Effizienzgewinne aktuell noch nicht geführt werden. Zusammen mit unseren Nachbarbahnen wollen wir die bisherigen Hypothesen zu einem klaren, nachvollziehbaren business case verdichten.

Im Hinblick auf die Einführung von BIM für den Betrieb ist noch ein langer Weg zu gehen. Zuerst braucht es eine Standardisierung von Begrifflichkeiten und von Datenarchitekturen, damit die Daten mit marktüblichen digitalen Werkzeugen zu den für das Planen, Bauen und Betreiben relevanten und leicht lesbaren Informationen verdichtet werden können. Damit dies alles gelingen kann, hat die DB im Jahr 2018 einen eine konzernweit abgestimmte BIM-Strategie mit dem Zielhorizont 2025 entwickelt und veröffentlicht.

Die basiert auf drei Phasen. welche, wo sinnvoll und notwendig, parallel laufen können.

In der Phase 1 „Konvergenz“ sollen die bisherigen konzernweiten Erfahrungen bis Ende 2020 gebündelt werden mit dem Ziel vereinheitlichte Lösungen zu Prozesse zu formulieren. Deer Fokus liegt dabei weiterhin auf der Planung.
In der Phase 2 soll in der Zeit zwischen 2020 und 2025 flächendeckend die digitale Kompetenz für das Planen und Bauen aufgebaut werden. Die gesamte Lieferkette mit Planern und ausführenden Unternehmern soll in die BIM-Prozesse integriert werden. Dies wird nur dann gelingen, wenn die entsprechenden Vertragsmodelle zur Verfügung gestellt werden und ein Kulturwandel zur kooperativen Projektabwicklung erreicht wird.
In der letzten Phase, der Phase 3, soll es dann zur digitalen Transformation kommen mit dem Ziel den gesamten Anlagenbestand als digitalen Zwilling für die Zwecke von Betrieb und Instandhaltung zu Verfügung zu haben. Daten werden dann noch einmal und am richtigen Ort vorgehalten werden. Damit ist das „single source of truth“ - Konzept dann umgesetzt.

Im Rahmen des Vortrags wird der aktuelle Stand der Erkenntnisse dargelegt und ein Überblick über die kommenden Herausforderungen und Lösungsansätze gegeben.

Abstract

Monitoring von Vegetation & Entwässerungen durch Lichtraumscannerdaten

Erik Pinter, Streckenmanagement und Anlagenentwicklung, Fachbereich Fahrwegtechnik, Geotechnik, ÖBB-Infrastruktur AG

Das ca. 5000 km lange Streckennetz der ÖBB-Infrastruktur AG wird mit den ÖBB-eigenen Oberbau-Messfahrzeugen regelmäßig befahren. Dabei liefern diese seit einigen Jahren mittels Lichtraumscannern auch präzise Daten über das gleisnahe Umfeld. Diese Daten bieten entlang von Streckenabschnitten ein sehr detailliertes Bild des Bahnumfelds.

Durch Schnee, Eis und Sturm kommt es immer wieder zu Einschränkungen der Streckenverfügbarkeit durch abgebrochene Äste, die auf die Gleise fallen, oder im schlimmsten Fall zu Streckenunterbrechungen durch umgestürzte Bäume. Derzeit erfassen und beurteilen unsere KollegInnen von Streckenmanagement und Anlagenentwicklung (SAE) die Vegetation an kritischen Streckenabschnitten bei Begehungen vor Ort. Dies soll zukünftig durch eine automatische Vegetationserkennung durch Analysen der Lichtraumscannerdaten deutlich erleichtert werden.

Die Ergebnisse über das Gefährdungspotential der bahnnahen Vegetation bilden die unmittelbare Grundlage zur Ableitung von Maßnahmen, womit die Sicherheit erhöht und die Wahrscheinlichkeit von beschädigten Oberleitungen durch umgestürzte Bäume oder Äste verringert werden kann. Zeitaufwendige und kostspielige Inspektionen können vermieden werden, Streckenunterbrechungen aufgrund von Baumwindwürfen werden reduziert. Die Ergebnisse werden derzeit zur Verwendung durch die Anlagenmanager und Wartungsteams implementiert. Für seine Idee erhielt Erik Pinter 2018 den ÖBB-Award zur „Innovation des Jahres“.

Auch im Monitoring der Entwässerungsanlagen durch die Nutzung der Lichtraumscannerdaten in Zusammenhang mit bestehenden Anlagendatenbanken liegt großes Potential. Durch die automatisierten Analysen, die nach jeder Messfahrt aktualisiert werden, können die Ursachen zu mangelhafter Entwässerung frühzeitig erkannt werden. Neben dem wirtschaftlichen Aspekt hat dies noch den Vorteil, dass die Verantwortlichen präventive Maßnahmen zeitgerecht festgelegen und durchführen können.

Abstract

Wayside Measurement für prädiktive Instandhaltung im Schienenverkehr

Kevin Kulzer, Sales Consultant Mobility Services, SIEMENS

Im Schienenverkehr ist kontinuierliche Instandhaltung unabdingbar, um die Verfügbarkeit der Fahrzeuge zu maximieren. Starre Inspektionszeitpunkte führen zu unvorhergesehenen Risiken und Kostensteigerungen, da das Rollmaterial ausserplanmässig nicht zur Verfügung steht. Genau dies ist der Grund, weshalb Siemens Vehicle Equipment Measurement Systems (VEMS – Fahrzeugmesssysteme) entwickelt hat. VEMS stellt eine Auswahl an automatischen Inspektionen zur Verfügung, um den Fahrzeugzustand im Fahrbetrieb zu ermitteln. Das VEMS-Portfolio besteht aus modularen Teilsystemen, welche im oder neben dem Gleis installiert werden. Dabei wird durch kontinuierliche Überprüfung der Räder, Bremsen, Pantographen und weiterer Komponenten die Fahrzeugintegrität sichergestellt.

Die detaillierte und objektive Zustandsüberwachung ermöglicht das Erkennen kritischer Zustände der Ausrüstung, löst beim Überschreiten von Grenzwerten automatisierte Wartungsaufträge aus und kann somit die betriebliche Sicherheit erhöhen und wertvolle Anlagen schützen. Während diese Technologie die manuelle Inspektion für gewisse Komponenten durch Automatisierung ersetzt, erlaubt sie eine signifikante Kostenreduktion, die unmittelbar im Betriebsergebnis wirksam wird. Zusätzlich wird eine verbesserte Sicherheit gewährleistet, da die Messungen konsistenter sind. Dies unterstützt eine verbesserte Planung aufgrund von umfassenden Datenanalysen. Letztendlich führt der gesamte Aufwand zu einer optimierten Lebensdauer der Komponenten, die eine Nutzung bis zur technischen Verschleissgrenze sicherstellt. Die Systeme werden durch ein umfassendes Datenmanagementsystem (DMS) unterstützt. Dies beinhaltet diverse Möglichkeiten, die Daten zu analysieren, zu betrachten oder zurückzumelden. Beim VEMS System von Siemens greifen Hardware- und Softwarekomponenten Hand in Hand.

Abstract

Wayside Measurement für prädiktive Instandhaltung im Schienenverkehr

Kevin Kulzer, Sales Consultant Mobility Services, SIEMENS

In the rail sector, continuous maintenance is essential to maximize the availability of vehicles. However, rigid maintenance intervals and fixed inspection dates can create disruption and increase costs, due to down-time for rolling stock. This is precisely why we have developed Vehicle Equipment Measurement Systems (VEMS). VEMS provide a range of automated inspections of rail vehicles to determine their serviceability and safety. The VEMS range is designed as a suite of modular measurement solutions installed on, or adjacent to, the track – providing roll-by checks of: Vehicle integrity, Wheels, Brakes, Pantographs.

VEMS solutions excel in condition monitoring, providing detailed and objective inspections to support the management of maintenance activities. By detecting critical equipment conditions, they help increase operational safety and protect valuable assets. While this technology is substituting manual inspection for certain components it enables significant cost reductions and increasing the availability of rolling stock at the same time. In addition it takes improved safety into account due to more consistent measurements which also supports superior planning through comprehensive data analysis. It the end all this effort leads to an optimized life span of components until reaching technical wear limit. The systems are supported by a comprehensive Data Management System (DMS); including a measurement database and facilities for analyzing, viewing and reporting measured data – along with tools to convert this data into usable, objective maintenance information. So Hardware and Software goes hand in hand.

Abstract

Lichtwellenleiter im Anlagenmanagement des Eisenbahnfahrwegs

Ivan Vidovic, Technische Universität Graz, Institut für Eisenbahnwesen und Verkehrswirtschaft

Das Errichten und Betreiben von Eisenbahninfrastrukturanlagen ist sowohl mit hohen Investitions- als auch Instandhaltungskosten verbunden. Das Ziel ist es daher möglichst lange Nutzungsdauern, dies allerdings immer unter Berücksichtigung nachhaltiger und wirtschaftlich optimaler Investitions- und Instandhaltungsstrategien, zu realisieren. Um dies zu erreichen ist es zunächst notwendig den Zustand des Fahrwegs möglichst umfassend erfassen und auch bewerten zu können.

Zur Erfassung des Fahrwegzustands werden bei nahezu allen Infrastrukturbetreibern Gleismesswagen eingesetzt. Die Qualität und Quantität dieser Messdaten ist zumeist und vor allem für das offene Streckengleis ausreichend. Es gibt allerdings Streckenabschnitte, die zusätzlicher Informationen und einer kontinuierlichen Überwachung bedürfen. Während Gleismessdaten in regelmäßigen zeitlichen Abständen verfügbar sind können Sensoren zeitlich kontinuierliche Informationen liefern. Neben derartigen Punktsensoren, die an nahezu jede beliebige Anlage angebracht werden können, besteht auch die Möglichkeit, entlang der Schieneninfrastruktur in Kabeltrögen verlegte Lichtwellenleiter als Datenquelle heranzuziehen. Derartige Lichtwellenleiter, auch Glasfaserkabeln genannt, werden in der Eisenbahn bis dato primär in der Telekommunikations- und Signaltechnik verwendet, eignen sich allerdings auch zur Überwachung der Infrastruktur und der darauf verkehrenden Züge.

Mit Distributed Acoustic Sensing (DAS) werden alle Körperschallwellen und Vibrationen auf oder neben einer Strecke erfasst und damit die Faser in eine Art virtuelles Mikrophon verwandelt. Damit wird die Reaktion des Fahrwegs auf die Belastung einer jeden Zugfahrt sichtbar. Vor allem kann aufgrund der detektierten Vibrationen auf den Fahrwegzustand und folglich auf den Anlagenzustand geschlossen werden. Des Weiteren hat sich gezeigt, dass neben einer Unterscheidung zwischen Güter- und Personenzug auch Instandhaltungsarbeiten, wie beispielsweise Stopfen, eindeutig als solche klassifiziert und unterschieden werden können.

DAS ermöglicht sowohl eine holistische und permanente Zustandsüberwachung als auch Zustandsbewertung des Eisenbahnfahrwegs und liefert wertvolle Informationen für ein nachhaltiges Anlagenmanagement des Eisenbahnfahrwegs

Abstract

Bahn 4.0 - Vollautomatisiertes kontinuierliches Infrastrukturmonitoring mit Regelzügen

Dr. Klaus Ulrich Wolter, Flottenmanagement, Consulting, Digitalisierung (TT.TVE 4), DB Systemtechnik GmbH
Christian Schlatter, Kompetenzzentrum Fahrbahn

Das kontinuierliche Infrastrukturmonitoring im Regelbetrieb ergänzt die Regelinspektionen der inneren Gleislagegeometrie. Die zusätzlichen, aktuellen Informationen zum Zustand der Infrastruktur ermöglicht den Anlagenverantwortlichen die Infrastrukturinstandhaltung zu verbessern. Durch die quasi kontinuierlich, in kurzen zeitlichen Abständen vorliegenden Inspektionen können Instandsetzungsmaßnahmen gezielt geplant und deren Ausführungsqualität und Nachhaltigkeit geprüft werden. Die Qualität der Infrastruktur kann so verbessert und Betriebsbeeinträchtigungen verringert werden.

Derzeit überwacht die DB Systemtechnik GmbH im Auftrag der DB Netz AG mehr als 2400 km Gleis. Die Analgenverantwortlichen erhalten wöchentlich Informationen zum Zustand ihrer Streckenabschnitte. Wegen der guten Erfahrungen ist eine Erweiterung des Zustandsmonitoring geplant. Weitere Regelfahrzeuge wurden bereits mit entsprechender Messtechnik ausgerüstet. Die Messsysteme werden fortlaufen weiterentwickelt um den Anforderungen der Kunden gerecht zu werden. Weitere Parameter der inneren Gleisgeometrie sollen erfasst werden. Neben dem Messsystem werden auch die Auswertealgorithmen stetig weiter entwickelt. Mittlerweile profitieren auch Eisenbahngesellschaften außerhalb der DB von den umfangreichen Erfahrungen der DB Systemtechnik GmbH.

Abstract

Rail transport 4.0 - Fully automated continuous infrastructure monitoring using regularly scheduled trains

Dr. Klaus Ulrich Wolter, Flottenmanagement, Consulting, Digitalisierung (TT.TVE 4), DB Systemtechnik GmbH
Christian Schlatter, Kompetenzzentrum Fahrbahn

Continuous infrastructure monitoring during scheduled operations complements the regular inspections of the inner track geometry. With the additional, up-to-date information on the condition of the infrastructure, asset managers can improve infrastructure maintenance. The continuous inspections, which take place at short intervals, make it possible to systematically plan repairs and check their quality of execution and sustainability. The quality of the infrastructure can thus be improved and operational disruptions reduced.

DB Systemtechnik GmbH currently monitors more than 2,400 km of track on behalf of DB Netz AG. The asset managers receive weekly updates on the condition of their route sections. Thanks to the good experiences, condition monitoring is to be expanded. Additional vehicles have already been equipped with the necessary measuring equipment. The measuring systems are continuously being developed in order to meet customer requirements. Further parameters of the inner track geometry are to be recorded. In addition to the measuring system, the evaluation algorithms are also under constant development. Meanwhile, non-DB rail companies are also benefiting from the extensive experience of DB Systemtechnik GmbH.

Abstract

Intelligent Infrastructure at Network Rail

Tim Flower, Head of Maintenance, Predict and Prevent, Network Rail (UK)
John Smith, Voestalpine SIGNALING Fareham Ltd. (UK) Chief Executive Officer

The presentation will provide an overview of Network Rail’s approach to remote condition monitoring, including successful application on points and track circuits, the measurable benefits delivered, lessons learnt and our ambitious Intelligent Infrastructure plans over the next 5 years.

Abstract

Railway Inspection with Deep Learning

Joël Casutt, Leiter Technologie und Entwicklung Mess- und Diagnosetechnik, SBB

To ensure the integrity of its infrastructure and the safety of passengers and staff, the Swiss Federal Railway (SBB) runs 'diagnostics' trains to detect defects on its 3,232km of track. Cameras capture images of anomalies but traditional data processing techniques produce high rates of false positives and negatives. With the rail network under pressure from faster services and bigger trains, SBB applies now machine learning to drive up fault classification accuracy and, innovatively, track faults over time.

In the last two years an Innosuisse Project in collaboration with CSEM fast-tracked the development of deep learning algorithms for image processing images acquired of the rails and their surroundings. Images are collected by our diagnostic vehicles up to 160 km/h and analyzed using ultra-modern algorithms to identify and classify defects. As more and more data is stored, the self-learning system uses this knowledge to progressively improve its performance and improves safety and availability of the railway infrastructure.

Abstract

Challenges and Opportunities for Condition-based, Adaptive Aircraft Maintenance Planning

Floris Freeman, Research Lead Condition-Based Maintenance, KLM Royal Dutch Airlines

The abundance of data generated by modern aircraft, combined with recent advances in analytical methods, has enabled the rapid development of prognostic and health management (PHM) technologies in aircraft operations. Currently by using PHM for early damage prevention, better diagnostics and smarter inventory management, value is realized in lowering maintenance cost and fewer delays and cancellations.

In the future, substituting the current interval-based maintenance tasks by condition-based maintenance (CBM) tasks, PHM technologies have the additional benefit to increase fleet maintenance efficiency, ultimately leading to higher aircraft availability. Obtaining this full potential requires three technological and procedural changes in the industry.

Firstly, since failure cases are rare and useful information is scattered over various actors within the maintenance chain, it is essential to combine data from multiple data owners. Secondly, output from PHM systems is stochastic and often has a short prediction horizon, therefore fleet planning and scheduling must become more adaptive and flexible. Third and foremost, aircraft regulations and industrial processes need to be amended or modified to accommodate CBM as a certified maintenance strategy.

Abstract

Artificial Intelligence for Maintenance at Airbus

Jayant Sen Gupta, Data Science Research Project Leader, Airbus

In this talk, I will give an overview on how AI research activities performed in Airbus AI Research are driven by the improvement of maintenance in aeronautical industry. This will cover 3 topics.

For a few years, Airbus has collected a huge amount of sensor data from its platforms in operations or in tests. We aim at building the normal behaviour of the platform from the data collected in order to detect any change in the system's behaviour. To achieve this goal, we use unsupervised machine learning techniques to detect anomalies in multivariate time series data and develop a toolbox of algorithms dedicated to time series analysis.

Another source of data is the huge amount of documentation or reports created during design or by customer support to answer customers’ requests. We develop cognitive assistance to support maintenance operators and ease their access to information using speech (or text) interfaces in natural language.

The last area is the optimisation of maintenance operations. We work on optimisation of missions (flight planning for instance) taking into account uncertainties (weather, traffic, etc.). We launch a PhD thesis to bridge planning & scheduling under uncertainty with maintenance operations using uncertain prognostics and health information to optimize maintenance policy at fleet level.

Abstract

Combining Deep Learning and Physics-based Performance Models for Fleet Prognostics

Manuel Arias-Chao, Intelligent Maintenance Systems Chair, ETH Zürich

Currently, state of the art data-driven applications of predictive maintenance have been mainly applied to fault detection and diagnostics problems with the focus on supervised learning problems. However, going one step further and predicting systems failures (also referred to as prognostics) reliably provides the main benefit to the operators enabling them to plan maintenance actions and ensure a high level of availability and safety while maximizing the profit.

Since the number of failures occurring in complex systems such as power plants or aircraft and vessel propulsion systems is limited, predicting failures in complex systems requires using the operating experience of the entire fleet and not just that of a single unit. Due to the large variability of subsystem configurations and operating conditions in fleets of complex systems, fault patterns from dissimilar operative conditions cannot be directly transferred to other units of the fleet.

To learn and transfer informative failure patterns across the entire fleet, we propose a hybrid approach combining physical performance models, probabilistic methods and deep machine learning algorithms. The proposed methodology is demonstrated on a synthetic fleet data set generated with the Commercial Modular Aero-Propulsion System Simulation (CMAPSS) turbofan engine model from NASA. The experimental results show that the proposed hybrid approach is able to outperform pure data-driven solutions.

Abstract

Intelligent Agents for Detecting Anomalies in Complex Systems

Prof. Francesco Amigoni, Politecnico di Milano

Global comprehensive models of complex systems are sometimes not available, but collections of partial models that describe individual sub-systems often are.

In these cases, the problem is how to aggregate and propagate at the global level the anomalies detected by local models. In this talk, a solution based on intelligent agents is presented. The idea is to associate an intelligent agent to each partial model and let a global model emerge from the interactions (for example based on voting and cooperative negotiation) between the agents. Examples of applications, including those to space systems, will be discussed.

Abstract

Data-Driven PHM Applications for Oil & Gas Industry

Dr. Ahmed Mosallam, Data Scientist, Schlumberger

The oil and gas industry requires drilling and logging tools to operate in extreme environmental conditions. These conditions include elevated temperatures, vibrations and pressures, and can result in an increased degradation rate of different subsystems in the tools and possibly to tool failures. Consequently, operations can be compromised because the tools might provide inaccurate information, and the deliverables possibly be delayed until the tool is repaired or the entire operation cancelled.

This type of failure leads to nonproductive time and financial losses. This talk will provide examples of how prognostics and health management is used to increase drilling and logging tools reliability and availability while reducing cost of service delivery.

Does Prognostics Make Maintenance Smarter? [Slides]	Dr. Kai Goebel	Palo Alto Research Center
Are we Ready for Inspection and Maintenance with Autonomous Drones? [Slides]	Prof. Dr. Davide Scaramuzza	University of Zürich

(eng)	(deu)
Challenges and Opportunities for Condition-based, Adaptive Aircraft Maintenance Planning Floris Freeman - KLM Royal Dutch Airlines - [Slides]	Gleisunterhalt im Wandel Christian Florin - Rhätische Bahn - [Folien]
Artificial Intelligence for Maintenance at Airbus Dr. Jayant Sen Gupta - Airbus - [Slides]	BIM-Implementierung bei der DB - digitale Methode zum Planen, Bauen und Instandhalten Heinz Ehrbar - ETH Zürich / Deutsche Bahn - [Slides]
Combining Deep Learning and Physics-based Performance Models for Fleet Prognostics Manuel Arias-Chao - ETH Zürich	Monitoring von Vegetation & Entwässerungen durch Lichtraumscannerdaten Erik Pinter - ÖBB-Infrastruktur - [Slides]

(eng)	(deu)
Intelligent Agents for Detecting Anomalies in Complex Systems Prof. Francesco Amigoni - Politecnico di Milano - [Slides]	Wayside Measurement für prädiktive Instandhaltung im Schienenverkehr Kevin Kulzer - Siemens - [Slides]
Data-Driven PHM Applications for Oil & Gas Industry Dr. Ahmed Mosallam - Schlumberger - [Slides]	Lichtwellenleiter im Anlagenmanagement des Eisenbahnfahrwegs Ivan Vidovic - TU Graz - [Slides]
Industrial Pump Monitoring – an OEM Perspective Dr. Arrigo Beretta - Sulzer Management - [Slides]	Bahn 4.0 - Vollautomatisiertes kontinuierliches Infrastrukturmonitoring mit Regelzügen Dr. Klaus Ulrich Wolter & Christian Schlatter DB Systemtechnik & Kompetenzzentrum Fahrbahn - [Slides]

(eng)	(eng)
The Core and Context Model Applied to Maintenance Strategy for Reliability, Quality and Cost Management Hanspeter Keel - Altran - [Slides]	Railway Inspection with Deep Learning Joël Casutt - SBB - [Slides]
Digital Twin in Action – Advanced Real-time Diagnostics for WinGD Engines Carmelo Cartalemi - WinGD - [Slides]	Intelligent Infrastructure at Network Rail Tim Flower & John Smith Network Rail & Voestalpine - [Slides]

Smart Maintenance Conference 2019, Welcome!

September 3, 2019
ETH Zürich, Campus Hönggerberg
Thanks for your participation!

Willkommen zur Smart Maintenance Konferenz 2019!

3. September 2019
ETH Zürich, Campus Hönggerberg
Wir danken Ihnen allen für Ihre Teilnahme!

Program

You can download the available slides here

Scope.

Program.

Slides of the Presentations.

Organisation .

Team

Prof. Olga Fink

Dr. Gabriel Michau

Patricia Marty

Nina Limbach

Program Planning

Stakeholders

Organisation

Platinium Sponsoring

Gold Sponsoring

Silver Sponsoring

Contact.

Smart Maintenance Conference 2019, Welcome!

September 3, 2019 ETH Zürich, Campus Hönggerberg Thanks for your participation!

Willkommen zur Smart Maintenance Konferenz 2019!

3. September 2019 ETH Zürich, Campus Hönggerberg Wir danken Ihnen allen für Ihre Teilnahme!

Program

You can download the available slides here

Scope.

Program.

Abstract

Does Prognostics Make Maintenance Smarter?

Abstract

Are we Ready for Inspection and Maintenance with Autonomous Drones?

Abstract

Gleisunterhalt im Wandel

Abstract

BIM-Implementierung bei der DB - digitale Methode zum Planen, Bauen und Instandhalten

Abstract

Monitoring von Vegetation & Entwässerungen durch Lichtraumscannerdaten

Abstract

Wayside Measurement für prädiktive Instandhaltung im Schienenverkehr

Abstract

Wayside Measurement für prädiktive Instandhaltung im Schienenverkehr

Abstract

Lichtwellenleiter im Anlagenmanagement des Eisenbahnfahrwegs

Abstract

Bahn 4.0 - Vollautomatisiertes kontinuierliches Infrastrukturmonitoring mit Regelzügen

Abstract

Rail transport 4.0 - Fully automated continuous infrastructure monitoring using regularly scheduled trains

Abstract

Intelligent Infrastructure at Network Rail

Abstract

Railway Inspection with Deep Learning

Abstract

Challenges and Opportunities for Condition-based, Adaptive Aircraft Maintenance Planning

Abstract

Artificial Intelligence for Maintenance at Airbus

Abstract

Combining Deep Learning and Physics-based Performance Models for Fleet Prognostics

Abstract

Intelligent Agents for Detecting Anomalies in Complex Systems

Abstract

Data-Driven PHM Applications for Oil & Gas Industry

Abstract

Industrial Pump Monitoring – an OEM Perspective

Abstract

The Core and Context Model Applied to Maintenance Strategy for Reliability, Quality and Cost Management

Abstract

Digital Twin in Action – Advanced Real-time Diagnostics for WinGD Engines

Slides of the Presentations.

Organisation .

Team

Prof. Olga Fink

Dr. Gabriel Michau

Patricia Marty

Nina Limbach

Program Planning

Stakeholders

Organisation

Platinium Sponsoring

Gold Sponsoring

Silver Sponsoring

Contact.

September 3, 2019
ETH Zürich, Campus Hönggerberg
Thanks for your participation!

3. September 2019
ETH Zürich, Campus Hönggerberg
Wir danken Ihnen allen für Ihre Teilnahme!